多尺度目标检测 FPN特征金字塔网络

亦凉 2022-05-11 07:52 272阅读 0赞

## 前言 ##

这篇论文主要使用特征金字塔网络来融合多层特征，改进了CNN特征提取。论文在Fast/Faster R-CNN上进行了实验，在COCO数据集上刷到了第一的位置，意味着其在小目标检测上取得了很大的进步。论文整体思想比较简单，但是实验部分非常详细和充分。此博文对主要内容进行了翻译和理解工作，不足之处，欢迎讨论。

## 摘要 ##

特征金字塔是多尺度目标检测系统中的一个基本组成部分。近年来深度学习目标检测却有意回避这一技巧，部分原因是特征金字塔在计算量和用时上很敏感（一句话，太慢）。这篇文章，作者利用了深度卷积神经网络固有的多尺度、多层级的金字塔结构去构建特征金字塔网络。使用一种自上而下的侧边连接，在所有尺度构建了高级语义特征图，这种结构就叫特征金字塔网络（FPN）。其在特征提取上改进明显，把FPN用在Faster R-CNN上，在COCO数据集上，一举超过了目前所有的单模型（single-model）检测方法，而且在GPU上可以跑到5帧。**重点是代码会开源！（博主会及时关注这一动态**）

## 概述 ##

多尺度目标检测是计算机视觉领域的一个基础且具挑战性的课题。在图像金字塔基础上构建的特征金字塔（featurized image pyramids ,Figure1\[a\]）是传统解决思路，具有一定意义的尺度不变性。直观上看，这种特性使得模型可以检测大范围尺度的图像。

Featurized image pyramids 主要在人工特征中使用，比如DPM就要用到它产生密集尺度的样本以提升检测水平。目前人工特征式微，深度学习的CNN特征成为主流，CNN特征的鲁棒性很好，刻画能力强。即使如此，仍需要金字塔结构去进一步提升准确性，尤其在多尺度检测上。金字塔结构的优势是其产生的特征每一层都是语义信息加强的，包括高分辨率的低层。

对图像金字塔每一层都处理有很大的局限性，首先运算耗时会增加4倍，训练深度网络的时候太吃显存，几乎没法用，即使用了，也只能在检测的时候。因为这些原因，Fast/Faster R-CNN 都没使用featurized image pyramids 。

当然，图像金字塔并不是多尺度特征表征的唯一方式，CNN计算的时候本身就存在多级特征图（feature map hierarchy），且不同层的特征图尺度就不同，形似金字塔结构（Figure1\[b\]）。结构上虽不错，但是前后层之间由于不同深度（depths）影响，语义信息差距太大，主要是高分辨率的低层特征很难有代表性的检测能力。

SSD方法在借鉴利用featurized image pyramid上很是值得说，为了避免利用太低层的特征，SSD从偏后的conv4\_3开始，又往后加了几层，分别抽取每层特征，进行综合利用（Figure1\[c\]）。但是SSD对于高分辨率的底层特征没有再利用，而这些层对于检测小目标很重要。  
![这里写图片描述][SouthEast]  
这篇论文的特征金字塔网络（Figure1\[d\]）做法很简单，如下图所示。把低分辨率、高语义信息的高层特征和高分辨率、低语义信息的低层特征进行自上而下的侧边连接，使得所有尺度下的特征都有丰富的语义信息。这种结构是在CNN网络中完成的，和前文提到的基于图片的金字塔结构不同，而且完全可以替代它。  
![这里写图片描述][SouthEast 1]  
本文特征金字塔网络自上而下的结构，和某些论文有一定的相似之处，但二者目的不尽不同。作者做了检测和分割实验，COCO数据集的结果超过了现有水平，具体结果参见论文中实验部分。值得说的是，本文方法在训练的时间和显存使用上都是可接受的，检测的时间也没增加。

## 特征金字塔网络 ##

论文的目标是利用CNN的金字塔层次结构特性（具有从低到高级的语义），构建具有高级语义的特征金字塔。得到的特征金字塔网络（FPN）是通用的，但在论文中，作者先在RPN网络和Fast R-CNN中使用这一成果，也将其用在instance segmentation proposals 中。

该方法将任意一张图片作为输入，以全卷积的方式在多个层级输出成比例大小的特征图，这是独立于CNN骨干架构（本文为ResNets）的。具体结构如图Figure 2。  
![这里写图片描述][SouthEast 2]

# 自下而上的路径 #

CNN的前馈计算就是自下而上的路径，特征图经过卷积核计算，通常是越变越小的，也有一些特征层的输出和原来大小一样，称为“相同网络阶段”（same network stage ）。对于本文的特征金字塔，作者为每个阶段定义一个金字塔级别， 然后选择每个阶段的最后一层的输出作为特征图的参考集。 这种选择是很自然的，因为每个阶段的最深层应该具有最强的特征。具体来说，对于ResNets，作者使用了每个阶段的最后一个残差结构的特征激活输出。将这些残差模块输出表示为\{C2, C3, C4, C5\}，对应于conv2，conv3，conv4和conv5的输出，并且注意它们相对于输入图像具有\{4, 8, 16, 32\}像素的步长。考虑到内存占用，没有将conv1包含在金字塔中。

# 自上而下的路径和横向连接 #

自上而下的路径（the top-down pathway ）是如何去结合低层高分辨率的特征呢？方法就是，把更抽象，语义更强的高层特征图进行上取样，然后把该特征横向连接（lateral connections ）至前一层特征，因此高层特征得到加强。值得注意的是，横向连接的两层特征在空间尺寸上要相同。这样做应该主要是为了利用底层的定位细节信息。

Figure 3显示连接细节。把高层特征做2倍上采样（最邻近上采样法），然后将其和对应的前一层特征结合（前一层要经过1 \* 1的卷积核才能用，目的是改变channels，应该是要和后一层的channels相同），结合方式就是做像素间的加法。重复迭代该过程，直至生成最精细的特征图。迭代开始阶段，作者在C5层后面加了一个1 \* 1的卷积核来产生最粗略的特征图，最后，作者用3 \* 3的卷积核去处理已经融合的特征图（为了消除上采样的混叠效应），以生成最后需要的特征图。\{C2, C3, C4, C5\}层对应的融合特征层为\{P2, P3, P4, P5\}，对应的层空间尺寸是相通的。  
![这里写图片描述][SouthEast 3]

金字塔结构中所有层级共享分类层（回归层），就像featurized image pyramid 中所做的那样。作者固定所有特征图中的维度（通道数，表示为d）。作者在本文中设置d = 256，因此所有额外的卷积层（比如P2）具有256通道输出。 这些额外层没有用非线性（博主：不知道具体所指），而非线性会带来一些影响。

## 实际应用 ##

本文方法在理论上早CNN中是通用的，作者将其首先应用到了RPN和Fast R-CNN中，应用中尽量做较小幅度的修改。

# Faster R-CNN+Resnet-101 #

要想明白FPN如何应用在RPN和Fast R-CNN（合起来就是Faster R-CNN），首先要明白Faster R-CNN+Resnet-101的结构，这部分在是论文中没有的，博主试着用自己的理解说一下。

直接理解就是把Faster-RCNN中原有的VGG网络换成ResNet-101，ResNet-101结构如下图：  
![这里写图片描述][SouthEast 4]  
Faster-RCNN利用conv1到conv4-x的91层为共享卷积层，然后从conv4-x的输出开始分叉，一路经过RPN网络进行区域选择，另一路直接连一个ROI Pooling层，把RPN的结果输入ROI Pooling层，映射成7 \* 7的特征。然后所有输出经过conv5-x的计算，这里conv5-x起到原来全连接层（fc）的作用。最后再经分类器和边框回归得到最终结果。整体框架用下图表示：  
![这里写图片描述][SouthEast 5]

# RPN中的特征金字塔网络 #

RPN是Faster R-CNN中用于区域选择的子网络，具体原理就不详细解释了，可阅读论文和参考博客：faster-rcnn 之 RPN网络的结构解析 。

RPN是在一个13 \* 13 \* 256的特征图上应用9种不同尺度的anchor，本篇论文另辟蹊径，把特征图弄成多尺度的，然后固定每种特征图对应的anchor尺寸，很有意思。也就是说，作者在每一个金字塔层级应用了单尺度的anchor，\{P2, P3, P4, P5, P6\}分别对应的anchor尺度为\{32^2, 64^2, 128^2, 256^2, 512^2 \}，当然目标不可能都是正方形，本文仍然使用三种比例\{1:2, 1:1, 2:1\}，所以金字塔结构中共有15种anchors。这里，博主尝试画一下修改后的RPN结构：  
![这里写图片描述][SouthEast 6]

训练中，把重叠率（IoU）高于0.7的作为正样本，低于0.3的作为负样本。特征金字塔网络之间有参数共享，其优秀表现使得所有层级具有相似程度的语义信息。具体性能在实验中评估。

# Fast R-CNN 中的特征金字塔网络 #

Fast R-CNN的具体原理也不详解了，参考博客：Fast R-CNN论文详解 ，其中很重要的是ROI Pooling层，需要对不同层级的金字塔制定不同尺度的ROI。

此部分的理解不太肯定，请各位辩证看待。博主认为，这里要把视角转换一下，想象成有一种图片金字塔在起作用。我们知道，ROI Pooling层使用region proposal的结果和中间的某一特征图作为输入，得到的结果经过分解后分别用于分类结果和边框回归。

然后作者想的是，不同尺度的ROI，使用不同特征层作为ROI pooling层的输入，大尺度ROI就用后面一些的金字塔层，比如P5；小尺度ROI就用前面一点的特征层，比如P4。那怎么判断ROI改用那个层的输出呢？这里作者定义了一个系数Pk，其定义为：  
![这里写图片描述][SouthEast 7]  
224是ImageNet的标准输入，k0是基准值，设置为5，代表P5层的输出（原图大小就用P5层），w和h是ROI区域的长和宽，假设ROI是112 \* 112的大小，那么k = k0-1 = 5-1 = 4，意味着该ROI应该使用P4的特征层。k值应该会做取整处理，防止结果不是整数。

然后，因为作者把conv5也作为了金字塔结构的一部分，那么从前全连接层的那个作用怎么办呢？这里采取的方法是增加两个1024维的轻量级全连接层，然后再跟上分类器和边框回归。作者认为这样还能使速度更快一些。

最后，博主根据自己的理解画了一张草图，猜想整个网络经FPN修改后的样子，也就是Faster R-CNN with FPN。  
![这里写图片描述][SouthEast 8]

## 目标检测实验 ##

这个篇幅过长，不好搬上博客，只能大家自己去看了。实验部分也没有什么特别难懂的地方，该说的前面基本都讲了一下。  
转载：[http://blog.csdn.net/jesse\_mx/article/details/54588085][http_blog.csdn.net_jesse_mx_article_details_54588085]

[SouthEast]: /images/20220511/ae9ce478f02a4b4b84f1e52576a759a7.png
[SouthEast 1]: /images/20220511/cbbf5fb7bd5445eeae95a98f13b7c0b2.png
[SouthEast 2]: /images/20220511/cb8ce70b678b4799a3381ad811672341.png
[SouthEast 3]: /images/20220511/101c295f3ef049248066704cbedec543.png
[SouthEast 4]: /images/20220511/d7d023185b8643149a7ce4ff8af76b51.png
[SouthEast 5]: /images/20220511/a91c273346bf4d6ea0f3ec3646d9282c.png
[SouthEast 6]: /images/20220511/917949c82c194361a8082abebf0457e8.png
[SouthEast 7]: /images/20220511/bf4b1977265f409ab073abdfa4980f45.png
[SouthEast 8]: /images/20220511/570e09ba15704692a6163e854af0f696.png
[http_blog.csdn.net_jesse_mx_article_details_54588085]: http://blog.csdn.net/jesse_mx/article/details/54588085